صرفه جویی توکن Claude Code

با سه تا حرکت می‌تونید معجزه ای در مصرف توکن هاتون داشته باشید.

1. وقتی Claude Code یک کدبیس را بررسی می‌کند، عامل‌های Explore را راه‌اندازی می‌کند که با ابزارهای grep، glob و Read فایل‌ها را اسکن می‌کنند — و در هر فراخوانی ابزار، توکن مصرف می‌کنند. CodeGraph به این عامل‌ها یک گراف دانش از پیش ایندکس‌شده می‌دهد — شامل روابط نمادها، گراف‌های فراخوانی، و ساختار کد. عامل‌ها به جای اسکن فایل‌ها، به‌صورت آنی گراف را جستجو می‌کنند.

نتیجه :

نحوه نصب : ریپو گیت هاب

colbymchenry/codegraph

حرکت دوم صرفه جویی در توکن های ورودی هست کلاد وقتی یک کامند اجرا می‌کند خروجی اون کامند میتونی خیلی زیاد باشه و بلند باشه ( این خروجی در اصل همون ورودی ایجنت ما میشه اونو میخونه با بفهمه چه خبره )
ابزار rtk میاد و این خروجی فشرده میکنه و فقط در حدی که لازمه به ایجنت میده اینجوری صرجویی زیادی در مصرف توکن ورودی میشه

rtk خروجی دستورات را قبل از اینکه به context مدل زبانی شما برسند، فیلتر و فشرده‌سازی می‌کند. یک باینری تکی نوشته‌شده با Rust، پشتیبانی از ۱۰۰+ دستور، و سربار کمتر از ۱۰ میلی‌ثانیه.

نتیجه :

نحوه نصب : ریپو گیت هاب

rtk-ai/rtk

مرحله سوم بهینه کردن توکن خروجی هست
Caveman
یک اسکیل/پلاگین برای Claude Code (و همچنین Codex، Gemini، Cursor، Windsurf، Cline، Copilot و بیش از ۳۰ ابزار دیگر) که باعث می‌شود عامل هوش مصنوعی مثل انسان غارنشین حرف بزند — خروجی را کوتاه و فشرده می‌کند، اما هیچ‌چیزی از دقت فنی کم نمی‌شود.

به جای اینکه مدل جواب‌های طولانی و پر از توضیحات اضافه بدهد، فقط چیزی می‌گوید که واقعاً مهم است. حدود ۷۵٪ از توکن‌های خروجی کاهش پیدا می‌کنند — یعنی هزینه کمتر، سرعت بیشتر، و context window بازتر. مغز همچنان بزرگ است. فقط دهان کوچک‌تر شده.

مثال :

نتیجه

نحوه نصب : ریپو گیت هاب

JuliusBrussee/caveman